Ann Bednarz

利用機器學習，數(shù)據(jù)中心運營商能夠更好地處理散熱、功耗和性能等問題。

隨著企業(yè)開始采用經(jīng)過數(shù)據(jù)中心大運營商和托管服務提供商試用和測試過的機器學習技術，人工智能將在數(shù)據(jù)中心運營中扮演更重要的角色。

目前的混合計算環(huán)境通常涉及到本地數(shù)據(jù)中心、云和托管站點，以及邊緣計算部署。企業(yè)發(fā)現(xiàn)管理數(shù)據(jù)中心的傳統(tǒng)方法并不是最優(yōu)的。通過使用人工智能，正如機器學習所展示的那樣，極有可能簡化復雜計算設施的管理。

目前，人工智能在數(shù)據(jù)中心的應用主要是圍繞使用機器學習來監(jiān)測設施組件，并進行自動管理，例如電源和配電單元、散熱基礎設施、機架系統(tǒng)和物理安全等。

在數(shù)據(jù)中心設施內部，有越來越多的傳感器收集來自包括電源備份（UPS）、配電裝置、開關設備和冷水機組在內的設備的數(shù)據(jù)。關于這些設備及其環(huán)境的數(shù)據(jù)由機器學習算法進行解讀，這些算法深度分析性能和容量，并確定適當?shù)捻憫?，例如更改設置或者發(fā)送警報等。隨著條件的變化，機器學習系統(tǒng)從變化中學習——它實際上是被訓練為自我調整，而不是依賴于具體的編程指令來執(zhí)行其任務。

其目的是使數(shù)據(jù)中心運營商能夠提高設施的可靠性和效率，并有可能更自主地運行這些設施。然而，獲取數(shù)據(jù)并不是一項簡單的任務。

施耐德電氣公司數(shù)據(jù)中心全球解決方案高級主管Steve Carlini說，基本需求是獲取來自主要組件的實時數(shù)據(jù)。也就是那些冷水機組、冷卻塔、通風機、風扇等組件的實時數(shù)據(jù)。在IT設備方面，它意味著服務器利用率、溫度和功耗等指標。

Carlini說：“很難對數(shù)據(jù)中心進行評價。數(shù)據(jù)中心與配電和散熱有關的連接點是非常多的，如果企業(yè)想嘗試人工智能，就需要獲得這些連接點的數(shù)據(jù)?！?/p>

IT專業(yè)人員習慣于設備監(jiān)測和實時報警，但在機房設施方面并非如此。Carlini說：“IT設備對信息的要求是即時的，而在電力系統(tǒng)中，不是即時的，其環(huán)境不同?！?/p>

過去不到十年的時間里，第一個數(shù)據(jù)中心已經(jīng)完全儀表化了，用儀表來監(jiān)測供電和散熱。在儀表存在的地方，很難進行標準化：數(shù)據(jù)中心運營商依賴于采用多種通信協(xié)議的樓宇管理系統(tǒng)——從Modbus和BACnet到LONworks和Niagara，并且必須兼容不共享數(shù)據(jù)或者不能通過遠程控制進行操作的設備。Carlini說：“TCP/IP、以太網(wǎng)連接——這類連接在傳動系統(tǒng)和散熱領域是前所未聞的?！?/p>

好消息是數(shù)據(jù)中心監(jiān)測正朝著高級分析和機器學習所需的深度發(fā)展。Carlini說：“服務提供商和托管提供商一直非常擅長在子架級或者機架級進行監(jiān)測，以及對能源使用情況的監(jiān)測。企業(yè)開始部署它，這取決于數(shù)據(jù)中心的規(guī)模。”

機器學習讓數(shù)據(jù)中心保持涼爽

2016年，德爾塔航空公司由于電力系統(tǒng)故障導致數(shù)據(jù)中心停電，三天時間內停飛了大約2000次航班，使該航空公司損失了1.5億美元。這正是基于機器學習的自動管理功能可以避免的應用場景。由于數(shù)據(jù)中心性能的進步以及云中數(shù)據(jù)池的出現(xiàn)，智能系統(tǒng)有可能發(fā)現(xiàn)數(shù)據(jù)中心運營中的漏洞，從而提高效率，而這是手動過程做不到的。

機器學習推動的智能應用的一個簡單例子是基于狀態(tài)的維護，它應用于數(shù)據(jù)中心中的消耗品，例如，冷卻過濾器等。Carlini說，通過監(jiān)測流過多個過濾器的空氣流量，智能系統(tǒng)可以檢測到一些過濾器是否比其他過濾器更容易堵塞，然后把空氣引導到不容易堵塞的單元中，直到需要更換所有過濾器為止。

另一個例子是監(jiān)測UPS系統(tǒng)中電池的溫度和放電情況。智能系統(tǒng)能夠發(fā)現(xiàn)一個UPS系統(tǒng)運行的環(huán)境更熱一些，并且可能比其他系統(tǒng)更頻繁地放電，然后會將其指定為備份UPS，而不是主用UPS。Carlini說：“它站在你的角度為你思考。這可以手動完成，但機器也可以做到。這是最基本的?！?/p>

層次更高的應用是動態(tài)散熱優(yōu)化，這是當今數(shù)據(jù)中心機器學習更常見的例子之一，尤其是對于數(shù)據(jù)中心大運營商和托管提供商。

通過動態(tài)散熱優(yōu)化，數(shù)據(jù)中心管理人員可以根據(jù)環(huán)境條件監(jiān)測并控制機房的散熱基礎設施。當設備移動或者計算流量出現(xiàn)激增時，建筑物內的熱負荷也會發(fā)生變化。動態(tài)調節(jié)散熱輸出，以轉移熱負荷，這有助于避免不必要的散熱能力并降低運行成本。

451 Research公司的數(shù)據(jù)中心技術和生態(tài)效率IT渠道研究總監(jiān)Rhonda Ascierto評論說，托管服務提供商是動態(tài)散熱優(yōu)化技術的主要采用者。Ascierto說：“機器學習對數(shù)據(jù)中心來說并不陌生。長期以來，人們一直想根據(jù)容量和需求來更好地進行適當?shù)纳?，而機器學習使您能夠實時地完成這項工作?！?/p>

Vigilent是動態(tài)散熱優(yōu)化領域的領導者，其技術用于優(yōu)化數(shù)據(jù)中心設施中的空氣流，自動發(fā)現(xiàn)并消除熱點。

Vigilent的創(chuàng)始人、總裁兼首席技術官Cliff Federspiel說，數(shù)據(jù)中心運營商運行的散熱設備往往比實際需要的多。“它產(chǎn)生的溫度分布通常還是能接受的，但代價很高?！?/p>

如果有一個熱點，典型的反應是進一步提高散熱能力。在現(xiàn)實中，如果空氣流速過快會產(chǎn)生壓力差，干擾設備上的空氣流，或者阻礙熱空氣返回到散熱設備。盡管這與我們的直覺不符，但能更有效地降低風扇速度。

Vigilent基于機器學習的技術知道哪些空氣流設置能夠優(yōu)化每一客戶的熱環(huán)境。該公司稱，在需要散熱的地方提供適量的散熱，通常能夠把能源費用減少40%。

除了自動散熱系統(tǒng)外，Vigilent的軟件還為客戶提供了分析功能，用來對其設施做出操作決策。

Federspiel說：“我們的客戶對使用這些數(shù)據(jù)來幫助管理他們的資本支出、他們的容量規(guī)劃以及可靠性計劃越來越感興趣。這為數(shù)據(jù)中心很多新的依賴于數(shù)據(jù)的決策帶來了機會?！?/p>

人工智能讓現(xiàn)有的流程更好

展望未來，數(shù)據(jù)中心運營商正在把成功的動態(tài)散熱優(yōu)化技術擴展應用到其他領域。一般來說，在注入機器學習已經(jīng)成熟的領域中，人們也比較熟悉其需要重復性任務的流程。

Ascierto說：“數(shù)據(jù)中心新的基于機器學習的方法最有可能應用于現(xiàn)有的業(yè)務流程，因為機器學習在全面理解業(yè)務問題和規(guī)則時是最有效的?！?/p>

當然，企業(yè)現(xiàn)在也有監(jiān)測工具。長期可用的數(shù)據(jù)中心基礎設施管理（DCIM）軟件能夠讓人們深入了解數(shù)據(jù)中心資產(chǎn)、相互依賴性、性能和容量。DCIM軟件處理的功能包括遠程設備監(jiān)測、供電和環(huán)境監(jiān)測、IT資產(chǎn)管理、數(shù)據(jù)管理和報告等。企業(yè)使用DCIM軟件來簡化容量規(guī)劃和資源分配，并確保盡可能有效地使用電源、設備和機房空間。

Ascierto說：“如果你有基本的監(jiān)測和資產(chǎn)管理機制，那么你的容量預測能力會大幅度提高。人們現(xiàn)在正在使用自己的數(shù)據(jù)開展這方面的工作?！?/p>

下一步：向DCIM混合軟件添加外部數(shù)據(jù)。這就是機器學習發(fā)揮關鍵作用的地方。

數(shù)據(jù)中心管理即服務，也就是DMaaS，是基于DCIM軟件的服務。但它不是DCIM軟件簡單的SaaS交付版本。DMaaS進一步收集數(shù)據(jù)，匯集多個數(shù)據(jù)中心的設備和設施數(shù)據(jù)。然后，使用機器學習對數(shù)據(jù)進行匿名化和匯總處理，并進行大規(guī)模分析。

DMaaS市場的兩家早期參與者是施耐德和伊頓公司。這兩家供應商利用其數(shù)據(jù)中心多年的經(jīng)驗挖掘出大量數(shù)據(jù)，其中包括設計和建造數(shù)據(jù)中心、樓宇管理、配電，以及供電和散熱服務等。

Ascierto說：“施耐德和伊頓正在從事的工作將帶來巨大的變化，也就是擁有大量客戶數(shù)據(jù)的數(shù)據(jù)湖。這對數(shù)據(jù)中心部門來說非常有趣?！?/p>

這些數(shù)據(jù)來自各種客戶的各種操作環(huán)境，因此獲得這些數(shù)據(jù)后，企業(yè)能夠把自己數(shù)據(jù)中心的性能與全球基準性能進行比較。例如，施耐德被稱為EcoStruxure IT的DMaaS產(chǎn)品，與含有500多名客戶和220萬個傳感器的基準數(shù)據(jù)的數(shù)據(jù)湖相關聯(lián)。

Ascierto說：“企業(yè)不僅可以使用自己的數(shù)據(jù)來理解和解決這些問題，而且還可以使用數(shù)千個其他設施的數(shù)據(jù)，包括許多與你的企業(yè)非常相似的設施的數(shù)據(jù)。這就是最大的不同?！?/p>

例如，預測性和預防性維護受益于深度智能。Ascierto說：“基于其他機器——這些機器運行在類似的使用環(huán)境中，有類似的使用情況、類似的壽命，以及類似的組件，人工智能能夠預測哪里會出現(xiàn)問題?！?/p>

場景規(guī)劃是另一種能夠從機器學習受益的流程。例如，企業(yè)現(xiàn)在進行場景規(guī)劃，估算設備移動對功耗的影響。Ascierto說：“沒有機器學習也能做這項工作。但是，把機器學習數(shù)據(jù)和歷史數(shù)據(jù)應用到具體的配置和不同的設計中——能夠確定某一配置或者設計結果的能力會大幅度提升。”

風險分析和風險緩解計劃也將受益于更深入的分析。Ascierto說：“數(shù)據(jù)中心現(xiàn)在實在太復雜了，而且規(guī)模如此龐大，以至于人類很難找到模式，但對于機器來說這非常簡單?！?/p>

未來，機器學習在數(shù)據(jù)中心的廣泛應用將使得企業(yè)擁有更強的深度分析能力，更好地決定在哪里運行哪些工作負載。Ascierto說：“這對企業(yè)來說是非常有價值的，尤其是如果他們圍繞最佳執(zhí)行場所做決定的時候。這一應用程序應該運行在這個數(shù)據(jù)中心嗎？或者我們應該使用托管數(shù)據(jù)中心？”

展望未來，智能系統(tǒng)可以承擔更復雜的任務，使數(shù)據(jù)中心能夠根據(jù)在哪里運行最有效或者最可靠來動態(tài)地調整工作負載。Carlini說：“復雜的人工智能對未來還是有一些影響的?！?/p>

同時，對于初創(chuàng)企業(yè)，他強調了設施部門和IT部門加強合作的重要性。

Carlini說：“最重要的是要全面考慮數(shù)據(jù)中心的所有領域——供電、散熱和IT機房?！睒I(yè)界正在努力確保不同領域技術之間的互操作性。企業(yè)在人員配備方面也需要這樣做。

他說：“從技術上說，這變得越來越簡單，但在部門間，還是有孤島?！?/p>

Ann Bednarz涉及的領域包括《網(wǎng)絡世界》的IT職業(yè)、外包和互聯(lián)網(wǎng)文化。

原文網(wǎng)址

https：//www.networkworld.com/article/3274654/data-center/ai-boosts-data-center-availability-efficiency.html